AI请你喝奶茶？背后其实是Function Calling

关注

原创最新推荐文章于 2026-07-26 09:03:01 发布 365 阅读 AI 写同款· GEO 优化 ›

基于千问大模型的AI应用开发实战：从意图识别到工具调用的完整架构设计在人工智能技术快速发展的今天，大语言模型已成为构建智能应用的核心组件。其工作原理基于海量数据预训练，通过Transformer架构实现对自然语言的深度理解与生成。这种技术的核心价值在于将非结构化的人类语言转化为机器可操作的指令，从而连接数字世界与物理世界。在实际工程实践中，开发者需要掌握意图识别、槽位填充、对话状态管理等关键技术，通过工具调用（Function Calling）机制让AI模型具备执行外部操作的能力。典型的应用场景包括智能客服、任务型对话助手、自动化工作流等。本文以“点奶茶”这一具体场景为例，阅读详情

Function Calling

最近，千问“请大家喝奶茶”火了一把，这背后是一次真实的接口调用。
AI它不是在聊天，而是在“调接口[下单系统]”。这种能力，就叫Function Calling。
当大模型从“生成文本”升级为“调用工具”，AI 才真正开始从对话助手，变成执行系统。

Function Calling的步骤

一

Function Calling 的完整流程包括以下步骤：

定义工具（tools）：告诉 AI 你有哪些函数/工具可以调用，每个函数的参数是什么
第一次调用大模型API[如何调用大模型API]：AI 分析用户输入，决定是否需要调用函数/工具
检查响应：如果 AI 返回了 tool\_calls，说明它想调用函数/工具
执行函数/工具：根据 AI 的请求，执行实际的函数调用
第二次调用大模型API：将函数/工具执行结果返回给 AI
AI 生成最终回复：结合函数/工具结果，生成用户可读的回答

完整示例：天气查询工具

二

2.1 定义工具——调用get_weather API查询天气

#定义工具
tools = [
{
"type": "function",
"function":{
"name": "get_weather",
"description": "获取指定城市的实时天气信息",
"parameters":{
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如：北京、上海"
},
"unit": {
"type": "string",
"enum": ["celsius","fahrenheit"],
"description":"温度单位：celsius（摄氏度）或fahrenheit（华氏度）"
}
},
"required": ["city"] #city是必填参数
}
}
}
]
print("工具schema已定义")
#这里我们自己定义下get_weather工具[实际使用时我们调用天气API]
def get_weather(city: str, unit: str = "celsius") -> str:
"""
获取指定城市的天气信息（Mock函数，实际调用天气API）
Args:
city: 城市名称
unit: 温度单位（celsius或fahrenheit）
Returns:
天气信息的JSON字符串
"""
#模拟天气数据
weather_data = {
"北京": {"temperature": 15, "condition": "晴天", "humidity": 45},
"上海": {"temperature": 20, "condition": "多云", "humidity": 60},
"深圳": {"temperature": 28, "condition": "小鱼", "humidity": 75},
}
#检查城市是否存在于模拟数据中
if city in weather_data:
data = weather_data[city]
if unit == 'fahrenheit':
data['temperature'] = int(data['temperature'] * 9/5 + 32)
return json.dumps({
"city": city,
"temperature": data["temperature"],
"unit": unit,
"condition": data["condition"],
"humidity": data["humidity"]
}, ensure_ascii = False)
else:
return json.dumps({"error": f"未找到 {city} 的天气数据"}, ensure_ascii = False)
print("测试天气查询函数:")
print(get_weather('北京'))
print(get_weather('上海', 'fahrenheit'))

2.2 第一次调用大模型API

import json
import os
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv(override=True)
client = OpenAI(
api_key = os.getenv("DASHSCOPE_API_KEY"),
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1")
#用户提问
user_query = "北京现在的天气怎么样？"
#初始化信息
messages = [
{"role": "system", "content": "你是一个友好的天气助手，可以查询天气信息。"},
{"role": "user", "content": user_query}
]
print(f"用户: {user_query}\n")
#第一次调用：让AI决定是否需要调用工具
response = client.chat.completions.create(
model = 'deepseek-v3.2',
messages = messages,
tools = tools, #传递工具定义
tool_choice = 'auto' #"auto"为自动决定
)

2.3 检查AI的响应：是否想调用函数/工具

if response.choices[0].message.tool_calls:
print('AI决定调用工具：')
#提取工具调用信息
tool_call = response.choices[0].message.tool_calls[0]
function_name = tool_call.function.name
function_args = json.loads(tool_call.function.arguments)
print(f" 函数名: {function_name}")
print(f" 参数: {function_args}")

2.4 执行函数/工具：根据 AI 的请求，执行实际的函数调用

if function_name == 'get_weather':
function_result = get_weather(**function_args)
print(f"函数执行结果：{function_result}\n")

2.5-2.6：第二次调用大模型API，AI生成最终回复

#将函数结果添加到消息历史
messages.append(response.choices[0].message) #AI的工具调用请求
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": function_result
})
# 第二次调用：让AI根据函数结果生成最终回复
final_response = client.chat.completions.create(
model = 'deepseek-v3.2',
messages = messages
)
final_answer = final_response.choices[0].message.content
print(f"AI 最终回复：{final_answer}")